Einleitung

Bei sogenannten optischen Sortierern werden Teilchen auf Basis visueller Eigenschaften klassifiziert. Bei der Anlage, so wie sie vom Fraunhofer IOSB lizenziert wird, werden durch richtiges Timing und gezieltes Aktivieren von Druckluftdüsen eine Klasse der Teilchen „ausgeblasen“, um so die beiden Klassen voneinander zu trennen.

Aktuell wird am ISAS ein kleiner Sortierer in Form eines Rutschensortierers aufgebaut. Im Rahmen dieses Praktikums soll sein neuer Ansatz zur Separation erprobt werden. Hierbei sollen eine Art von "mechanischen Fingern" umgesetzt werden. Es sollen also harte Objekte in den Flugpfad der Teilchen bewegt werden, die dann bestimmte Teilchen ablenken. Da nur bestimmte Teilchen (und nicht alle) abgelenkt werden sollen, müssen schnelle Reaktionszeiten erreicht werden.

Diese Ausschreibung ist besonders für interdisziplinäre Teams, die auch Studierende des Maschinenbaus beinhalten, geeignet.

Aufgaben

• Recherche zu Möglichkeiten zur mechanischen Ablenkung von Partikeln
• Planung einer Hardwareumsetzung inklusive Festlegung der Bauteile
• Umsetzung in Hardware
• Umsetzung einer einfachen Möglichkeit zur Ansteuerung

Einleitung

Die Lokalisierung innerhalb von Gebäuden ist in vielen Bereichen, z.B. in der Robotik, eine kritische Aufgabe und benötigt häufig eine hohe Genauigkeit. Im industriellen Bereich haben sich in letzter Zeit Technologien basierend auf Ultrabreitband (UWB) durchgesetzt. Obwohl UWB weniger anfällig für Mehrwegeausbreitung und Interferenzen ist, kann das Signal durch metallische Gegenstände verzerrt werden und somit zu schlechteren Lokalisierungsergebnissen führen.

In einigen Anwendungen werden nicht einzelne sondern mehrere Sensorknoten zusammen als Gruppe bewegt und können gemeinsam lokalisiert werden. Das ist z.B. der Fall, wenn mehrere Fertigungsteile gemeinsam zum selben Bestimmungspunkt befördert werden. Die Positionsschätzung dieser Sensorknoten kann durch zusätzliche Informationen der benachbarten Sensorknoten bei der Filterung verbessert werden.

In diesem Praktikumsprojekt sollen Algorithmen für die Gruppen-Lokalisierung mittels UWB innerhalb von Gebäuden entwickelt werden.

Aufgaben

• Einarbeitung in bereits existierende Filteralgorithmen für die Positionsschätzung mittels UWB,
• Implementierung eines Algorithmus zur Erkennung von Gruppenbildung mehrerer Sensorknoten,
• Implementierung einer verbesserten Lokalisierung mittels der zusätzlichen Gruppeninformation,
• Untersuchung der Leistungsfähigkeit des entwickelten Algorithmus mit realen Daten aus einem UWB-Sensornetzwerk und
• Untersuchung des Positionsfehlers des entwickelten Algorithmus mit Hilfe eines globalen Referenzsystems (z.B. der HTC-Vive).

Vorkenntnisse über Kalman Filter und Datenassoziation können von Vorteil sein.

Einführung

In den letzten Jahren rücken selbst-lernende Verfahren wie Reinforcement Learning immer stärker in den Fokus der Regelungstechnik, da sie das Potential besitzen, einige Schwächen herkömmlicher Regelungskonzepte zu kompensieren. Dies gilt insbesondere im Bereich der modellfreien Regelung, da Reinforcement Learning durch Interaktion mit dem System selbständig lernt und somit nicht auf ein Modell angewiesen ist. Am ISAS wird aktuell eine innovative Roboterplattform entwickelt, die nicht nur in innovativen Projekten eingesetzt, sondern selbst mit neuartigen Konzepten entworfen werden soll. Dementsprechend soll die Folgeregelung der 2D-Trajektorie des Roboters mittels Reinforcement Learning entworfen werden.

Aufgaben

• Literaturrecherche und Einarbeitung in den aktuellen Stand der Forschung zu Reinforcement Learning für die Folgeregelung
• Konzeption und Implementierung eines Reinforcement Learning Reglers für die Folgeregelung einer mobilen Roboterplattform
• Implementierung des Reglers auf den Prozessoren der Roboterplattform (Arduino, Raspberry Pi)
• Vergleich des Entwickelten Reglers zu (bereits implementierten) herkömmlichen Regelungsverfahren (PID, Zustandsregler)

Einleitung

Methoden zur Lokalisierung und Navigation mittels Signalankunftszeiten werden vielfältig eingesetzt, zum Beispiel in der Luftraumüberwachung oder beim GPS. Hierbei kommen entweder elektromagnetische oder akustische Wellen zum Einsatz. In vorherigen Praktika wurde bereits ein Mikrofonarray basierend auf dem BeagleBoard-X15 gebaut. Mit einem Netzwerk von mehreren dieser Mikrofonarrays soll nun experimentell Quellenlokalisierung und -tracking durchgeführt werden. Hierbei werden auch neuartige am ISAS entwickelte Algorithmen zum Einsatz kommen.

Aufgaben

• Dokumentation der vorherigen Praktika lesen
• Linux-Kernel für X15 mit dem Audiotreiber für das Mikrofonboard kompilieren
• Netzwerk von Mikrofonarrays im ISAS-Holodeck installieren
• Referenz für die wahre Lautsprecherposition
  • Ziel mit Holodeck-Roboterarm bewegen
  • HTC Vive optische Lokalisierung
• Ziel soll Sounds emittieren welche optimal zur Detektion von Signalankunftszeiten geeignet sind
• Daten der Mikrofone aufzeichnen und über LAN zum PC oder Server senden
• Durchführung von Evaluationen mit den aufgezeichneten Daten unter Verwendung neuartiger Multilaterationsalgorithmen

Vorwissen über Linux und Netzwerkprogrammierung wäre vorteilhaft.

Einleitung

Durch die voranschreitende robotische Automatisierung im industriellen Umfeld werden Lokalisierungsmethoden benötigt, die genaue und robuste Positionsschätzungen, z.B. in einer Fabrikhalle, liefern können. Da GPS innerhalb von Gebäuden nicht verfügbar ist, müssen alternative Technologien, die z.B. auf Ultrabreitbandtechnologie (UWB) basieren, eingesetzt werden. Doch auch Lokalisierung mittels UWB ist nicht ohne Probleme: Durch die Anwesenheit von metallischen Gegenständen in einer Fabrikhalle kann es zu einer starken Reduktion der Lokalisierungsgenauigkeit kommen. In solchen Fällen kann eine Inertialmesseinheit (IMU) verwendet werden, um die Lokalisierung über kurze Zeiträume zu unterstützen und somit den negativen Effekt der metallischen Umgebung teilweise auszugleichen. Jedoch ist dafür ein genaues Modell des UWB Messsystems und der IMU notwendig.

Aufgaben

In diesem Praktikum werden die Studenten mit einem IMU/UWB Lokalisierungssystem arbeiten, welches aus mobilen Tags die lokalisiert werden sollen und mehreren Ankern, die fest installiert sind, besteht. Während die Tags IMU Messungen bereitstellen, erzeugen die Anker UWB Messungen. Im Laufe dieses Praktikums werden die Studenten ein mathematisches Modell des IMU/UWB-Systems erstellen und ein Verfahren zu dessen Identifizierung entwickeln und implementieren. Zusätzlich sollen Algorithmen der digitalen Signalverarbeitung auf den Tags (ARM Cortex M4) bzw. auf einem Raspberry Pi implementiert werden.

• Mathematische Modellierung des IMU/UWB Messsystems
• Entwicklung und Implementierung eines Verfahrens zur Parameteridentifikation des IMU/UWB Systems
• Implementierung von Signalverarbeitungsalgorithmen auf ARM Cortex M4 und Raspberry Pi

Voraussetzungen

• Sehr gute Programmierkenntnisse in C/C++
• Optional: Erfahrung mit bare-metal Programmierung
• Gute Mathematikkenntnisse insb. Schätztheorie
• Interesse an Signalverarbeitung und eingebetteter Programmierung

Einleitung

Bei sogenannten optischen Bandsortieranlagen werden Teilchen (sogenanntes Schüttgut) auf Basis visueller Eigenschaften klassifiziert. Bei der Anlage, so wie sie vom Fraunhofer IOSB lizenziert wird, werden durch richtiges Timing und gezieltes Aktivieren von Druckluftdüsen eine Klasse der Teilchen „ausgeblasen“, um so die Klassen voneinander zu trennen. Aufgrund von Verzögerungen ist es jedoch nicht möglich, die Klassifikation und das Ausblasen gleichzeitig zu vollziehen. Deshalb muss die Position der Teilchen nach ihrer Klassifikation prädiziert (vorhergesagt) werden.

Um akkurate Prädiktionen zu ermöglichen, haben wir kürzlich vorgeschlagen, die Teilchen auf dem Band mit einer Flächenkamera zu beobachten. Mittels sogenannter Multitarget-Tracking-Verfahren kann das Bewegungsverhalten aller Partikel erkannt und für die Prädiktion genutzt werden. Eine rein datenbasierte, zum überwachtem Lernen zählende Methode stellen in diesem Kontext rekurrente künstliche neuronale Netze dar.

Aufgaben

In dieser Arbeit soll ein rekurrentes Netz zum Tracking von Schüttgutpartikeln in Python/Tensorflow aufgebaut werden. Hierbei darf davon ausgegangen werden, dass die Zuordnung der Messungen zu den jeweiligen Teilchen sowie die Positionen der einzelnen Schüttgut-Teilchen bekannt ist. Ein entsprechender Datensatz mit diesen Informationen ist bereits vorhanden und kann genutzt werden. Im ersten Schritt soll nach einfachen, für diese Aufgabe passenden rekurrenten Netzwerkarchitekturen mit und ohne Long short-term memorys (LSTMs) recherchiert werden und darauf aufbauend Konzepte entwickelt sowie in Tensorflow implementiert werden. Anschließend soll der Datensatz eingeladen und die Daten für die Verwendung in den gefundenen Tensorflow-Modellen angepasst werden, sodass das Modell trainiert werden kann. Abschließend soll das Modell auf für das Training nicht benutzten Testdaten ausgewertet und die Ergebnisse gegen bereits vorhandene Ergebnisse aus anderen Tracking-Verfahren evaluiert werden.

Voraussetzungen

• Grundkenntnisse über neuronale Netze
• Optional: Grundkenntnisse in Python und Tensorflow bzw. Keras

Einleitung

Aufgaben

• Familiarization of an existing RGB-D dense SLAM system
• Integration of inertial readings to the tracking block in a tightly coupled manner
• Set-up of experiment platform and collection of indoor pose tracking and mapping data sets
• Evaluation based on experiments and other publicly available data sets.

ROS and C++ are prerequisite

Einleitung

Aufgaben

• System integration of state-of-the-art mapping systems regarding 3D LiDAR and RGB-D camera
• Cross-sensor online calibration
• Develop algorithms for map fusion and regeneration for robotic navigation

ROS and C++ are prerequisite.